한국방사선산업학회

서 론

인공지능과 빅테이터가 만들어내는 4차 산업혁명은 산 업과 일상에 큰 영향을 미치고 의료계에도 큰 관심과 이슈 가 되고 있다(Kim 2019). 최근 우리나라에서도 인공지능 기 술을 활용하여 의료영상과 진단자료를 분석해 환자 폐 병 변 여부를 인공지능의 의료데이터 분석을 통하여 판단하는 뷰노와 가슴과 유방 엑스레이 사진에서 폐 질환과 유방암 을 딥러닝 기술을 통해 의료데이터 진단과 해석하는 루닛이 대표적이다(Kim et al. 2018). 실제 개인 맞춤형 의료서비스 모델을 개발하거나(Ahn et al. 2017), 환자 진단과 치료를 돕 는 IBM의 인공지능 소프트웨어 watson for oncology(WFO) 는 엄청난 양의 데이터를 분석해 이를 의료 현장에서 활용 하며 정확도도 90% 수준이다(Lee et al. 2016). 의료용 인 공지능이 영상의학과의 판도에 영향을 미칠 것을 예측하면 서 의료용 인공지능에 대해 높게 인식하는 반면, 환경에 변 화에 따른 대처는 안일하다는 방사선사들의 선행연구가 있 다(Choi 2017). 또한 의료용 인공지능에 대하여 인지, 신뢰

인공지능 도입 확대 시 방사선사의 역할 확대 방안

김상현1· 홍동희1· 이정훈1,* · 김미현2 1_{신한대학교 방사선학과,} 2_{광주보건대학교 방사선과}

Measures to Expand the Role of Radiological Technologist in

Expanding the Introduction of Artificial Intelligence

Sang-Hyun Kim

1

_{, Dong-Hee Hong}

1

_{, Jeong-Hun Lee}

1,

_{* and Mi-Hyun Kim}

2

1_{Department of Radiological Science, Shinhan University, 95, Hoam-ro,} Uijeongbu-si, Gyeonggi-do 11644, Republic of Korea

2_{Department of Radiological Technology, Gwangju Health University, 73, Bungmun-daero 419 beon-gil,} Gwangsan-gu, Gwangju 62271, Republic of Korea

Abstract - In this paper, the clinical application of artificial intelligence(AI) technology is still in the early stage and in order to be helpful to actual patients, it should approach objective reality rather than exaggeration. The purpose of this study is to present an alternative method to increase the awareness and role of radiological technologist in the expansion of AI. The questionnaire consisted of ‘AI Recognition’, ‘Reliability and Efficiency of AI’, ‘Future Application of AI in Medical Field Using Radiation’, ‘Impact of AI’, ‘Future Contrast’ It consists of items. Demographic data were divided by age and career. The radiological technologist relied on a high degree of awareness of artificial intelligence and naturally assessed future changes. It is anticipated that it will be commercialized in a short period of time. Medical institutions and companies should strengthen their education and research, and universities should open related subject areas and representatives should try to expand the role of radiological technologist in expanding artificial intelligence through legislation and job creation.

Key words : Artificial intelligence, Radiological technologist, Role

─ 199 ─ Technical Paper

* Corresponding author: Jeong-Hun Lee, Tel. +82-31-870-3414, Fax. +82-31-870-3419, E-mail. [email protected]

도가 높을수록 보건의료 활용에 대한 기대도가 높은 것으 로 조사되었다(Moon et al. 2018). 인공지능 도입과 발전에 능동적으로 대처하려고 하는 성향도 있으나 부정적인 성향 이 없지 않다. 대부분의 언론 보도는 미래 인구에 비해 일자 리가 줄어들 것이라고 부정적으로 보고 있고 특히 4차 산업 혁명이 의료, 진단, 방사선 분야 중에서도 투시와 방사선 영 상판독 영역에서 그 비중이 줄어들 것이라고 예측했다(Kim et al. 2018). 엑셀과 같은 스프레드시트 프로그램이 개발되 었을 때 회계사의 일자리가 많이 줄어들 것이라고 예상했지 만 실제 일하는 방식과 우수한 회계사가 되기 위한 필요한 역량이 달라졌을 뿐 실제 일자리가 줄어드는 결과는 일어나 지 않았다. 이처럼 인간이 처리할 수 없는 데이터양을 분석 하고 정리하여 병원 전반에 걸쳐 실행을 옮겨질 것으로 예 상되나 인공지능은 여전히 성능이 우수한 보조적 도구이다 (Do 2016). 인공지능 기술의 임상 적용은 아직 초기 단계이 며 실제 환자에게 도움 되기 위해서는 과장이 아닌 객관적 인 실체로 접근해야 한다(Park 2018). 이에 현재 임상에 근 무하고 있는 방사선사의 인식과 인공지능 도입을 통한 방사 선사의 역할 증대에 관한 설문조사를 실시하여 대안을 제시 하는데 목적이 있다.

대상 및 방법

1. 설문조사 대상 및 방법 방사선사를 대상으로 ‘네이버 오피스폼’으로 온라인 설문 지를 제작하여 무작위 배포하였다. 설문 문항은 상위 문항 으로 ‘인공지능에 대한 인식도’, ‘인공지능에 대한 신뢰도와 효율성’, ‘방사선을 이용한 의료 분야 인공지능의 미래의 적 용’, ‘인공지능 미래의 영향’, ‘미래 대비 방안’, ‘미래의 전 망’으로 총 6문항으로 구성하였으며 상위 문항에 맞게 각 각의 하위 문항을 구성하였다. ‘인구 사회학적 문항’은 나이 별, 경력별로 나누었다. ‘인공지능에 대한 인식도’는 3문항으로 ‘인공지능(AI)에 대해서 들어본 적이 있으십니까?’, ‘딥러닝, 빅데이터, 인공 지능(AI)의 각각의 의미를 알고 계십니까?’, ‘인공지능(AI) 기술이 현재 의료 분야에 활용되고 있는 것을 알고 있다.’이 다. ‘인공지능에 대한 신뢰도와 효율성’ 2문항으로 ‘귀하는 인공지능(AI)을 얼마나 신뢰하십니까?’, ‘인공지능(AI)의 판독 시간이 사람에 비해서 효율적이라고 생각하십니까?’ 이다. ‘방사선을 이용한 의료분야 인공지능의 미래의 적용’ 3 문항으로 ‘인공지능(AI) 기술이 핵의학과에 효율적으로 적 용될 것이다.’, ‘인공지능(AI) 기술이 방사선 종양학과에 효 율적으로 적용될 것이다.’이다, ‘인공지능(AI) 기술이 영상 의학과 중 어느 파트에 가장 효율적으로 적용될 것 같습니 까?’이다. ‘인공지능 미래의 영향’ 3문항으로 ‘인공지능(AI)이 미래 의 임상에 변화를 줄 것이라고 생각하십니까?’, 사람을 대체 할 수 있는 인공지능(AI)이 의료 분야에서 상용화되기까지 얼마나 걸릴 것이라고 생각하십니까?’, ‘인공지능(AI)을 도 입함으로 인해서 병원에서의 방사선사의 역할이 줄어들 것 이라고 생각하십니까?’이다. ‘미래 대비 방안’ 4문항으로 의료 인공지능 도입에 따른 병원, 기업, 대학, 협회의 어떤 노력 필요 한가이며. ‘미래의 전망’ 1문항으로 ‘위에 적힌 사항이 시행된다면, 방사선사의 역할 증대와 분야의 다양화가 될 것이라고 생각하십니까?’ 이며 총 16문항으로 구성하였다. 통계분석은 SPSS ver. 18 을 사용하여 기술통계 및 상관관계분석(Pearson correlation analysis)을 통해 유의확률을 연령별과 경력별로 분석하 였다.

결 과

1. 설문조사 신뢰도 분석 Cronbach’s Alpha 신뢰계수가 0.672로 설문에 대한 응답 이 신뢰성이 있으며 Table 1과 같다. 2. 설문조사 2.1 인구 사회학적 분포 총 응답자 수는 98명이며 성별은 여성의 표본 수 27명 (27%)으로 그 수가 적어 성별을 구분하지 않았고, 나이와 경력으로 구분하였으며 Table 2와 같다.

Table 1. Reliability statistic

Cronbach’s alpha No.

.672 11

Table 2. General characteristics

Category(years) N % 98 100 Age 20~29 18 18.36 30~39 37 37.75 40~49 28 28.57 50~59 15 15.30 Career 10~19~10 4332 43.8732.65 20~ 23 23.46

2.2 인공지능 인식도 ‘인공지능(AI)에 대해서 들어본 적이 있으십니까?’의 문 항에서 ‘예’의 응답률이 95%로 높았다. ‘딥러닝, 빅데이터, 인공지능(AI)의 각각의 의미를 알고 계십니까?’의 문항에 서는 3개 이상 알고 있다는 비율이 37%로, 가장 높게 나타 났으며 2개 이상 알고 있다는 비율도 33%로 높게 나타났으 며 Table 3과 같다. ‘인공지능(AI) 기술이 현재 의료 분야에 활용되고 있는 것을 알고 있다.’의 문항에서 긍정적인 응답률이 51%, 부 정적인 응답률이 12%로 보다 높았고 나이와 경력에 따라 P>0.05 통계적으로 유의하지 않았으며 Table 4와 같다. 2.3 인공지능 효율성과 신뢰성 ‘귀하는 인공지능(AI)을 얼마나 신뢰하십니까?’의 문항 에서 긍정적인 응답이 52%, 높게 나타났고 45%가 ‘보통이 다.’로 응답했으며 Table 4와 같다. ‘인공지능(AI)의 판독 시간이 사람에 비해서 효율적이라 고 생각하십니까?’의 문항에서 긍정적인 응답이 70%로 높 게 나타났으며 Table 4와 같다. 위에 2문항 모두 나이와 경 력에 따라 통계적으로 유의하지 않았다. 2.4 인공지능의 의료 적용 ‘인공지능(AI) 기술이 핵의학과에 효율적으로 적용될 것 이다.’의 문항에서 긍정적인 응답이 57%, 부정적 응답보다 높게 나타났으며, ‘인공지능(AI) 기술이 방사선 종양학과에 효율적으로 적용될 것이다.’의 문항에서 긍정적인 응답이 62%, 부정적인 응답 7%보다 높게 나타났고 통계적으로 나 이와 경력에 따라 통계적으로 유의하지 않았으며 Table 4와 같다. ‘인공지능(AI) 기술이 영상의학과 중 어느 파트에 가장 효율적으로 적용될 것 같습니까?’의 문항에서 전산화단층 촬영(CT)은 35%로 가장 높게 응답했고 10년 미만의 경력 을 가진 비율이 총 35명 중 42.9%로 높게 나타났다. 자기 공명영상(MRI) 부분 역시 29%로 비교적 높은 비율로 나 타났는데 이 역시 10년 미만의 경력을 가진 사람의 비율이 55.2%를 차지하며 Table 5와 같다.

Table 3. Knowledge level of the 4th _industry

Do you know the meaning of deep running, big data, AI?

Age(years) Total 20~29 30~39 40~49 50~ 0 Frequency_{% 33.3}3 _44.44 _22.22 0_{0 100.0}9 1 Frequency_{% 21.1}4 _57.911 _21.14 0_{0 100.0}19 2 Frequency_{% 21.2}7 10_30.3 10_{30.3 18.2}6 _100.033 All Frequency_{% 10.8}4 12_32.4 12_{32.4 24.3}9 _100.037 Total Total 18 37 28 15 98 % 18.4 37.8 28.6 15.3 100.0

Table 4. Statistics of the questionnaire

Category Question

% p-value

Strongly

disagree Disagree Normal Agree Strongly agree Age Career

Recognition You know AI is currently being _{used in th medical field?} 17 34 35 10 2 0.165 0.328

Efficiency and Responsibility

How much do you trust AI? 0 1 45 43 9 0.421 0.452

Do you think AI is more effective

in reading than humans 0 7 23 51 17 0.567 0.023

Medical application

AI will be applied to the nuclear

medicine department efficiently 1 5 35 42 15 0.68 0.2

AI will be applied to the radiation

oncology department efficiently 0 7 29 27 15 0.963 0.444

Future impact Do you think that AI will change

2.5 인공지능의 미래의 영향 ‘인공지능(AI)이 미래의 임상에 변화를 줄 것이라고 생각 하십니까?’의 문항에서 ‘매우 그렇다’ 35%, ‘그렇다’ 54%로 긍정적인 응답이 88%로 높았고 Table 3과 같다. ‘사람을 대체할 수 있는 인공지능(AI)이 의료 분야에서 상용화되기까지 얼마나 걸릴 것이라고 생각하십니까?’의 문항에서는 10년 이하라고 생각하는 비율은 43%로, 그 중 30대가 46.5%로 가장 많았다. 10년에서 30년이 걸릴 것이 라고 예상한 비율은 48%로 각각 20대 22.9%, 30대 31.3%, 40대 27.1%, 50대 이상 18.8%로 균일한 응답을 보였다. 경 력별로 본다면 경력이 적은 사람일수록 상용화 기간을 길 게, 경력이 많은 사람일수록 상용화되기까지의 기간을 짧게 보았으며 Table 6과 같다. ‘인공지능(AI)을 도입함으로 인해서 병원에서의 방사선 사의 역할이 줄어들 것이라고 생각하십니까?’의 문항은 나 이와 경력에 상관없이 전체적으로 균일하게 긍정과 부정적

Table 6. Expected commercialization period of AI in medical field How long does it take AI to be

commercially available in the medical field? Age Total 20~29 30~39 40~49 50~ ~10 Frequency_% 4_9.3 20_46.5 14_{32.6 11.6}5 _100.043 10~30 Frequency_% 11_22.9 15_31.3 13_{27.1 18.8}9 _100.048 30~50 Frequency_{% 20.0}1 _40.02 _20.01 _20.01 _100.05 50~ Frequency_{% 100.0}2 0₀ 0₀ 0_{0 100.0}2 Total Total 18 37 28 15 98 % 18.4 37.8 28.6 15.3 100.0 Career Total ~_{10 10~19 20~} ~₁₀ Frequency 15 19 9 43 % 34.9 44.2 20.9 100.0 10~30 Frequency_% 24_{50.0 22.9}11 13_27.1 48_100.0 30~50 Frequency_{% 40.0}2 _40.02 _20.01 5_100.0 50~ Frequency_{% 100.0}2 0₀ 0₀ 2_100.0 Total Total_% 43_43.9 32_32.7 23_23.5 98_100.0

Table 5. Applications in the department of radiology Which part of artificial intelligence will be most effectively applied to the department of radiology?

Career

Total

~10 10~19 20~

General radiography Frequency_{% 22.2}4 _44.48 _33.36 _100.018

Computed tomography Frequency_% 15_42.9 11_{31.4 25.7}9 _100.035

Magnetic resonance imaging Frequency_% 16_{55.2 31.0}9 _13.84 _100.029

Ultrasound Frequency_{% 33.3}3 _33.33 _33.33 _100.09

Fluoroscopy Frequency_{% 71.4}5 _14.31 _33.31 _100.07

응답이 나타났으며 Table 7과 같다. 2.6 인공지능 도입에 따른 기업의 노력 변화하는 의료 인공지능에 대해서 기업이 해야 할 노력에 서 ‘의료 인공지능 연구에 대한 투자’의 항목 59.1%, ‘인공 지능에 대한 직원 교육’ 항목은 총 51%로 가장 높게 응답했 으며, 응답자 중에서 30대의 응답자가 36.2, 48%로 가장 높 았고 경력에서 10년 미만에서는 ‘장학금 지원’이 가장 높게 응답했으며 10년 이상에서는 비교적 고르게 응답했다. 결과 는 Table 8과 같다. 2.7 인공지능 도입에 따른 의료기관의 노력 ‘인공지능에 대한 직원 교육’이 65.3%, ‘연구팀 개설’이 58.1% 가장 높은 응답률을 보였다. 30대의 응답률은 39,

Table 7. Role of radiological technologist on the expansion of AI Do you think that the

introduction of AI will reduce the role of radiological technologist in hospitals? Age Total 20~29 30~39 40~49 50~ Yes Frequency_% 8_16.3 18_36.7 15_30.6 8_16.3 49_100.0 No Frequency_% 10_20.4 19_38.8 13_26.5 7_14.3 49_100.0 Total Total_% 18_18.4 37_37.8 28_28.6 15_15.3 98_100.0 Career Total ~10 10~19 20~ Yes Frequency_% 20_40.8 15_30.6 14_28.6 49_100.0 No Frequency_% 23_46.9 17_{34.7 18.4}9 49_100.0 Total Total_% 43_43.9 32_32.7 23_23.5 98_100.0

Table 8. Corporate efforts to expand applications of AI

Age

Total

20~29 30~39 40~49 50~

Seminar Frequency_{% 13.2} 5 18_{47.4 21.1} 8 _18.4 7 ₁₀₀38

Scholarship Frequency_{% 30.0} 3 _50.0 5 _20.0 2 0_{0 100}10

Employee training Frequency_{% 18.0} 9 24_{48.0 18.0} 9 _16.0 8 ₁₀₀50

Research investment Frequency_{% 19.0} 11 21_36.2 19_{32.8 12.1} 7 ₁₀₀58

Total Total 18 37 28 15 98 Career Total ~_{10 10~19 20~} Seminar Frequency_% 16_42.1 13_{34.2 23.7}9 ₁₀₀38 Scholarship Frequency_{% 70.0} 7 _30.0 3 0_{0 100}10

Employee training Frequency_% 25_50.0 15_30.0 10_{20.0 100}50

Research investment Frequency_% 25_43.1 20_34.5 13_{22.4 100}58

36%로 가장 높았고, 경력에는 10년 미만에서는 ‘실습기회 제공’이 51.9%로 가장 높게 나타났으며, 10년 이상에 경력 에서 비교적 고르게 응답하였다. 결과는 Table 9와 같다. 2.8 인공지능 도입에 따른 대표기관의 노력 ‘방사선사 보호법 제정’이 78% 가장 높은 응답을 보였고, 그 중 30대가 38.6%로 가장 높았고 그 다음으로는 ‘일자리 창출’을 높게 응답하였다. 경력별로 살펴보면 10년 미만에

Table 10. Representative organization efforts to expand applications of AI

Age

Total

20~29 30~39 40~49 50~

Establishment of

Protection law Frequency% 1520.0 2938.7 1925.3 1216.0 10075

Establish related certification Frequency_{% 21.2} 7 16_{48.5 21.2} 7 3_{9.1 100}33

Conference Frequency_{% 17.6} 6 15_{44.1 17.6} 6 _20.6 7 ₁₀₀34

Creating a job Frequency_% 10_20.4 17_34.7 16_{32.7 12.2} 6 ₁₀₀49

Total Total 17 37 28 15 97

Career

Total

~_{10 10~19 20~}

Establishment of

Protection law Frequency% 3648.0 2432.0 1520.0 10075

Establish related certification Frequency_% 15_45.5 13_{39.4 15.2} 5 ₁₀₀33

Conference Frequency_% 16_{47.1 26.5} 9 _26.5 9 ₁₀₀34

Creating a job Frequency_% 24_49.0 13_26.5 12_{24.5 100}49

Total Total 42 32 23 97

Table 9. Hospital efforts to expand applications of AI

Age

Total

20~29 30~39 40~49 50~

Employee training Frequency_% 11_17.2 25_39.1 17_26.6 11_{17.2 100}64

Improve patient awareness Frequency_{% 11.8} 4 17_{50.0 23.5} 8 _14.7 5 ₁₀₀34

Providing opportunities for

practical training Frequency% 22.2 6 1244.4 22.2 6 11.13 10027

Establishment of research team Frequency_% 11_19.3 21_36.8 17_{29.8 14.0} 8 ₁₀₀57

Total Total 18 36 27 15 96

Career

Total

~10 10~19 20~

Employee training Frequency_% 28_43.8 19_29.7 17_{26.6 100}64

Improve patient awareness Frequency_% 14_41.2 13_{38.2 20.6} 7 ₁₀₀34

Providing opportunities for

practical training Frequency% 1451.9 25.97 22.2 6 10027

Establishment of research team Frequency_% 28_49.1 19_33.3 10_{17.5 100}57

서는 ‘보호법 제정’, ‘일자리 창출’이 가장 높게 응답하였으 며 Table 10과 같다. 2.9 인공지능 도입에 따른 대학의 노력 ‘의료 인공지능 기술관련 수업개설’은 71%로 가장 높 은 응답률을 보였고 그 중 30대, 40대가 높게 응답했다. 다 른 항목 중 ‘의료 인공지능 학술제 개최 및 홍보’는 28.5% 의 가장 낮은 응답률을 보였고 그 중 50대 이상의 응답자 가 7.1%로 가장 낮게 나타났다. 경력별 비교에서는 10년 미 만에선 ‘의료 인공지능 기술관련 수업개설’ 10~20년에서는 ‘학술제 개최’, 가 가장 높게 나왔으며 Table 11과 같다(Kim 2018).

고 찰

인공지능 대한 인지도를 조사한 결과 95%가 들어 본적이 있다고 답했으며 4차 산업에 관련된 딥러닝, 빅데이터와 인 공지능에 대해서도 70%가 그 의미를 알고 있다고 답했다. 이는 선행연구(Choi et al. 2017)에서 보다 높게 조사되었는 데 이는 인공지능의 적용범위가 의료, 법률, 금융, 창작, 비 서, 게임, 자율주행 등 넓어지고 있으며 국내·외 기업들 삼 성전자, LG 전자, 네이버, 애플, 아마존, MS, IBM이 다양한 사업들을 수행함으로써 기사의 증가와 관련이 있다(Kim 2018). 인공지능에 대한 신회성은 52%가 긍정적인 답변을 하였는데 보건계열 학생들을 대상으로 한 선행연구에서는 24.8%로 비교적 낮게 응답되었는데 이는 인지도와 긍정적 답변이 상관이 있음을 보여준다(Moon et al. 2018). 대표적 인 의료용 인공지능인 왓슨이 제시하는 진단과정에 대한 근 거가 불충하다고 제시되고 있고 이를 보완하여 더 높은 신 뢰도 확보가 필요하다(Epstein et al. 2014). 영상의학과 영역에서는 전산화단층촬영이 35%로 높게 나타났다. 이는 전산화단층촬영에서 진단, 노이즈제거, 선량 등 여러 가지 연구가 활발히 벌어지고 있으며 미국에서 발 표된 리포트를 보면 방사선피폭이 1980년대에 비하여 2016 년에 600% 정도 증가하였고 이 중에 12%가 진단영역의 검 사에서 기인한 것이고 CT 검사는 매년 10% 이상 증가하여 의료피폭에 49%를 차지하였다(James 2012). 우리나라의 경 우 2009년에 1,724대의 CT가 운영되며 OECD 국가 중 CT 운영 수는 3위이며 사용 빈도의 증가 추세는 다른 나라들에 비해 빠르다(Park 2011). 이처럼 의료피폭에서 CT가 차지하 는 비율이 높고 위험성을 낮추기 위해 인공지능을 이용하려 는 노력이 많은 것으로 사료된다. 인공지능이 미래에 미칠 영향에 대한 부분은 긍정적인 답이 88%이며 상용화에 대한 부분은 임상에서 적극적 활동 나이인 30대가 10년 이내라는 답변을 하였다. 또한 경력이 길어질수록 도입 기간이 짧게 응답한 것은 현실적 불안감이 반영되는 것으로 사료된다. 인공지능에 도입에 따른 대표기관의 노력에서 방사선사 보호법 제정이 78%로 높게 나타났으며 그 다음으로 일자리 창출이 높게 응답되었다. 이는 인공지능이 초래할 일자리

Table 11. University efforts to expand applications of AI

Age

Total

20~29 30~39 40~49 50~

Open related classes Frequency_% 10_14.5 24_34.8 24_34.8 11_{15.9 100}69

Hold academic conference Frequency_{% 10.7}3 13_46.4 10_35.7 2_{7.1 100}28

Training of related laws Frequency_{% 14.0} 6 20_46.5 10_{23.3 16.3} 7 ₁₀₀43

Education of ethical awareness Frequency_{% 19.5} 8 19_46.3 10_24.4 4_{9.8 100}41

Total Total 17 37 28 15 97

Career

Total

~10 10~19 20~

Open related classes Frequency_% 26_37.7 23_36.2 18_{26.1 100}69

Hold academic conference Frequency_% 11_39.3 12_{42.9 17.9} 5 ₁₀₀28

Training of related laws Frequency_% 18_41.9 17_{38.5 18.6} 8 ₁₀₀43

Education of ethical awareness Frequency_% 20_48.8 16_{39.0 12.2} 5 ₁₀₀41

축소와 같은 변화와 이를 명시적으로 보호할 수 있는 법적 제정을 요구하였다. 인공지능이 의료에 실수와 변이를 줄이 고 효율을 높이며 환자의 의료피폭 저감화에 대한 역할 및 많은 시간과 단순 반복적인 일을 감소시켜 더 복잡하고 전 문적인 업무에 효과적으로 집중할 수 있는 전문가로서 보다 객관적이고 넓은 관점에서 인공지능 기술을 바라볼 필요가 있다. 의료인공지능 도구의 개발에서 활용의 모든 과정에서 방사선사의 경험과 지식을 기반한 자문 및 방향 제시 그리 고 환자 안전에 대한 의무를 다할 필요가 있다. 인공지능에 따른 수업개설의 강력한 요구도를 확인하였으 며 이는 경력에 따라서도 별 차이가 없음을 알 수 있었다. 선 례를 찾아보면 가천대학교 의대는 교육 과정에 인공지능 관 련 교과를 추가하고 가천대 길병원에서 국내 최초로 도입한 인공지능 의사 ‘왓슨’을 활용해 환자를 진단하고 치료하는 과정을 도입하고 프로그래밍, 컴퓨터공학을 도입하고 빅데 이터를 활용한 통계학도 교육과정에 포함시켜 디지털 융합 인재를 양성할 계획과 같이 현장에 변화는 시작되고 있다. 본 연구는 제한된 방사선사를 조사하였기 때문에 방사선 사 전체의 의견이라고 말하기에는 한계점이 있지만, 방사선 사들의 인식도와 더불어 대안에 대해 생각해 보았다는 것에 의미가 있고 더 나아가서는 인공지능의 적용에 대한 다양하 고 세밀한 조사도 필요하리라 사료된다.

결 론

본 논문의 결과는 다음과 같다. 첫째, 인공지능에 대한 인식도, 신뢰성, 효율성을 높게 평 가하였다. 둘째, 인공지능이 방사선 영역의 의료에 효율적으로 적용 될 것으로 판단하고 영상의학 분양에서 전산화단층촬영에 대한 부분의 예상이 높았다. 셋째, 인공지능의 미래 변화에 대해 88% 긍정적 답변이며 연령과 경력에 차이가 있으나 대체적으로 10년 안에 상용 화가 될 것으로 예상했다. 넷째, 기업은 인공지능에 대한 연구와 교육, 의료기관은 교육과 연구팀 개설, 대표기관은 방사선사 보호법, 일자리 창출, 대학은 수업개설이 가장 많이 응답하였다. 결론적으로 방사선사는 인공지능에 대하여 높은 인지도 를 바탕으로 신뢰하고 있었으며, 미래 변화에 대하여 당연 하게 평가하고 있었다. 빠른 시간 안에 상용화 될 것을 예상 하며 의료기관과 기업은 교육과 연구를 강화하며 대학은 관 련된 학과목을 개설하며 대표기관은 법안과 일자리 창출을 통하여 인공지능 확대에 따른 방사선사의 역할이 확대 될 수 있도록 노력해야 할 것이다.

참 고 문 헌

Ahn YA and Cho HJ. 2017. Hospital System Model for Person-alized Medical Service. KCONS 8(12):77-84.

Choi JH, Kim SH, Bok GS and Kim. 2017. A Studdy on the Trend of Medical Artificial Intelligence and the Recogni-tion of Radiological Technologist. KSRIT 2017(1):137-145. Do SH. 2016. The Future of Artificial Intelligence for

Physi-cians. J. Korean Med. Assoc. 59(6):410-412.

Epstein AS, Zauderer MG and Kris MG. 2014. Next Steps for IBM Watson Oncology: Scalability to additional Malignan-cies. J. Clin. Res. Oncol. 32(15):6618-6618.

James AB and Richard LM. 2012. Size-specific Dose Esti-mation for CT: How Should It be Used and What Does It Mean?. Radiology 265(3):666-674.

Kim JH. 2019. Imaging Informatics: A New Horizon for Ra-diology in the Era of Artificial Intelligence, Big Data, and Data Science. Korean J. Radiol. 80(2):176-201.

Kim SH, Lee JH, Kim YM, Dong KR and Kim HS. 2018. Analysis of Medical field Trends during the 4th _Industrial

Revolution and Recognition of Radiological Technologist. J. Radiat Ind. 12(1):43-49.

Kim SR. 2018. Legal Tasks and Prospects of the Fourth Indus-trial Revolution and the AI Era. Journal of Korean Library and Information Science Society 18(2):21-57.

Lee KY and Kim J. 2016. Artificial Intelligence Technology Trends and IBM Waston References in the Medical Field. KMER 18(2):51-57.

Moon JY and Sim SJ. 2018. The Expectation of Medical Artifi-cial Intelligence of Students Majoring in Health in Conver-gence Era. KCONS 9(9):97-104.

Park MY and Jung SE. 2011. CT Radiation Dose and Radiation Reduction Strategies. J. Korean Med. Assoc. 54(12):1262-1268.

Park SH. 2018. Artificial Intelligence in Medicine: Beginner’s Guide. Korean J. Radiol. 78(5):301-308.

Received: 11 June 2019 Revised: 21 June 2019 Revision accepted: 18 July 2019